基于SVM的中文垃圾邮件的识别研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 1 引言 | 第12-16页 |
| ·研究背景及选题意义 | 第12-13页 |
| ·研究背景 | 第12页 |
| ·选题意义 | 第12-13页 |
| ·研究现状 | 第13-15页 |
| ·反垃圾邮件技术 | 第13-14页 |
| ·支持向量机的研究 | 第14-15页 |
| ·主要内容及框架结构 | 第15-16页 |
| ·主要内容 | 第15页 |
| ·框架结构 | 第15-16页 |
| 2 中文邮件相关知识 | 第16-21页 |
| ·电子邮件的特点 | 第16-17页 |
| ·中文垃圾邮件的概念 | 第17-18页 |
| ·中文垃圾邮件识别过程及相关技术 | 第18-21页 |
| ·中文垃圾邮件识别过程 | 第18页 |
| ·相关技术 | 第18-21页 |
| 3 中文邮件文本分词预处理 | 第21-26页 |
| ·中文文本自动分词 | 第21页 |
| ·自动分词词典机制 | 第21-22页 |
| ·基于词典的分词方法――改进的正向最大匹配法 | 第22-26页 |
| ·改进的正向最大匹配法算法思路 | 第22-23页 |
| ·算法实现过程 | 第23页 |
| ·实验与分析 | 第23-26页 |
| 4 中文邮件向量空间模型 | 第26-31页 |
| ·向量空间模型 | 第26页 |
| ·特征项 | 第26-31页 |
| ·特征项的权值 | 第26-27页 |
| ·向量空间的降维 | 第27-30页 |
| ·实验与分析 | 第30-31页 |
| 5 支持向量机分类算法 | 第31-45页 |
| ·统计学习理论 | 第31-32页 |
| ·直观相似程度与内积 | 第31-32页 |
| ·经验风险最小化归纳原则 | 第32页 |
| ·支持向量机算法原理 | 第32-36页 |
| ·线性可分支持向量机 | 第33-35页 |
| ·线性不可分支持向量机 | 第35-36页 |
| ·线性支持向量分类机算法 | 第36页 |
| ·支持向量机训练算法 | 第36-45页 |
| ·选块算法 | 第37-38页 |
| ·分解算法 | 第38-40页 |
| ·序列最小最优化算法 | 第40-45页 |
| 6 中文垃圾邮件的识别 | 第45-50页 |
| ·中文垃圾邮件特征提取模型的设计 | 第45-47页 |
| ·训练集的选取 | 第46页 |
| ·算法选择 | 第46页 |
| ·核函数的选取 | 第46-47页 |
| ·中文垃圾邮件特征提取与识别 | 第47-50页 |
| ·数据资源 | 第47页 |
| ·结果分析 | 第47-50页 |
| 7 结论与展望 | 第50-51页 |
| ·结论 | 第50页 |
| ·展望 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 附录一 中文邮件文本分词部分程序代码 | 第53-56页 |
| 附录二 中文邮件文本向量表示部分程序代码 | 第56-57页 |
| 附录三 中文垃圾邮件特征提取部分程序代码 | 第57-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间发表的论文 | 第59-60页 |
